中國霧霾空間分布特征及影響因素分析

張生玲+王雨涵+李躍+張鵬飛

摘要 近年來我國霧霾天氣頻發，以PM10和PM2.5為核心的大氣污染物對人體健康和大氣環境質量造成了嚴重威脅，已經成為當前不容忽視且亟需解決的重大民生問題和環境問題，深入分析霧霾污染的形成原因和影響因素對于科學制定切實有效的治霾政策具有重要的現實意義。本文基于我國288個地級以上城市2015年1月—2017年2月的月均空氣質量AQI數據，首先采用空間統計方法對霧霾污染空間分布的季節特征進行可視化描述，其次通過空間自相關指數對霧霾污染的空間集聚特征進行了實證檢驗，最后在此基礎上建立空間計量模型對影響霧霾污染的社會經濟因素進行了經驗識別。結果表明：①我國霧霾污染的季節性特征明顯，夏季空氣質量狀況最好，春季和秋季次之，冬季污染最嚴重且波及范圍廣，其中河北南部、河南北部、山西南部和陜西關中地區是污染重災區，季均空氣質量均為中度污染以上。②霧霾污染存在顯著的空間正相關特征，我國東部沿海地區表現為顯著的低低集聚，華北平原及周邊地區呈現顯著的高高集聚特征。③空間回歸結果顯示，我國霧霾污染與經濟增長的關系在一定程度上與EKC曲線假說相符，其中二產畸高的產業結構、民用汽車保有量的增多和省會城市均對霧霾污染有顯著的正向促進作用，但人口密度和綠化水平對霧霾污染的影響并不顯著。因此，治霾政策應堅持城市內部以促進產業結構轉型升級、鼓勵使用新能源汽車和共享單車、疏散省會城市的職能為主，城市外部應以區域聯防聯控為主，從而達到緩解和改善大氣環境的目的。

關鍵詞 霧霾污染；空間分布特征；社會經濟因素；空間計量模型

中圖分類號 X513

文獻標識碼 A文章編號 1002-2104（2017）09-0015-08DOI：10.12062/cpre.20170707

2013年至今，以霧霾為首的惡劣天氣肆虐我國大面積國土，以PM10（可吸入顆粒物）和PM2.5（可入肺顆粒物）為核心污染物的復合型霧霾長時間、大范圍的在我國多個區域集中連片爆發，已經成為當前不容忽視且亟需解決的重大民生問題和環境問題。與PM10相比，PM2.5粒徑小，面積大，活性強，易附帶有毒、有害物質（如重金屬、微生物、病毒等）進入呼吸道深部，顯著提高心肺系統及其他器官的發病風險，而且PM2.5在大氣中停留時間長、輸送距離遠，對人體健康和大氣環境質量造成了嚴重威脅，引起了政府的高度重視和公眾的廣泛關注。事實上，我國現階段霧霾污染的區域性特征顯著，以京津冀、長三角地區為主要代表，以北京、天津、石家莊、鄭州、南京等一線城市為核心逐漸向周邊城市擴散蔓延，集中連片爆發。出現區域性污染的原因在于霧霾受大氣環流等自然因素及大氣化學雙重因素影響，導致一個地區的霧霾在周邊區域進行流動和傳輸，尤其是相鄰城市間霧霾的相互擴散和轉移尤為明顯，所以城市間大氣環境質量的空間外溢性是當前霧霾污染治理過程中必須面對的問題，治理霧霾必須從控制局地污染向區域聯防聯控轉變。只有通過區域之間的分工合作，統籌協調，才能實現大氣環境的空間均衡[1]。因此，深入探討近年來我國霧霾污染的時空分布特征，識別影響霧霾污染的關鍵社會經濟根源，對于政府科學制定和實施治霾政策，提高區域聯防聯控有效性，促進和落實我國生態文明建設具有重要的現實意義。

1 文獻綜述

研究霧霾的形成機制、原理和影響因素一直是國內外學者關注的重點問題。近年來，結合環境學和地理學，運用空間統計方法研究霧霾污染的時空分布是一個熱點問題。K L Yang[2]、P Pakbin[3]、P Anttila[4]等學者曾分別研究了中國臺灣、美國洛杉磯、芬蘭等國家或地區的PM10或PM2.5的時空分布格局以及大氣可吸入顆粒物污染濃度的演變特征。國內對于大氣污染時空分布的研究主要從單一城市、城市群和國家三個層面進行研究。單一城市層面，基于不同城市的空氣質量監測數據，側重研究城市內部的霧霾污染空間分布格局，以及對比不同污染物月度、年度、季節和采暖期與非采暖期污染物濃度的變化特征及與氣象條件的關系[5-7]。城市群層面，以長三角、珠三角、長江經濟帶為研究對象，結果表明，城市群霧霾污染格局演化在空間上并不獨立，受鄰域條件的影響較為明顯，且霧霾污染的空間自相關性隨距離的增大而不斷減弱[8-10]。國家層面，基于全國地級市或各省的年均空氣質量監測數據研究發現，我國城市霧霾污染存在顯著的空間自相關特征，污染的空間分布格局以長江為界，北方重于南方，北方地區表現為高—高類型的集聚，主要集中在華北、華東和華中等多個省份；南方地區表現為低—低類型的集聚，主要集中于廣東、海南、廣西、貴州和云南等5個省份[11-13]。無論基于何種角度的研究，其霧霾污染的季節性變化特征都非常明顯，即霧霾污染最嚴重的季節是冬季，污染物濃度在12月和1月達到最高值，7月和8月污染最小[5-6，14-15]。對于霧霾污染影響因素的研究，國內學者側重于從經濟增長、能源結構、人口密度、產業結構和城鎮化等五個方面進行考量，其中多數研究結論表明以煤為主的能源結構、以工業為主的產業結構、高城鎮化水平以及交通運輸強度的提高均對霧霾污染程度具有顯著促進作用[16-17]。但是基于所選數據和模型的差異，現有研究關于經濟增長對霧霾污染的影響存在兩種有爭議的結論，一種是符合EKC曲線假說，另一種是不符合EKC曲線的假說，認為霧霾污染與經濟增長存在顯著的U形關系。

盡管上述研究為制定治霾政策和建立區域聯防聯控機制提供了科學的實證依據，但仍存在不足：一是研究的樣本數較少，多以單一城市、省份、城市群為研究對象，而現階段我國霧霾污染波及范圍之廣已不再局限于某一區域，最嚴重時全國一半省份均遭“霾伏”。只有從全局視角出發，統籌協作，才能真正發揮區域聯防聯控的作用和有效性；二是多數研究使用PM2.5或PM10作為霧霾污染指標，忽視了造成不同城市霧霾污染的主要污染物不同，因此單一指標并不能真實反映我國整體的污染狀況，降低了部分城市的真實污染水平。考慮到以上不足，在借鑒相關研究的基礎上，本文選擇空氣質量指數（Air Quality Index， AQI）來綜合反映霧霾污染水平，AQI是定量描述空氣質量狀況的無量綱指數，其中包括細顆粒物PM10，可吸入顆粒物PM2.5，二氧化硫，二氧化氮，臭氧，一氧化碳6項指標。AQI數值越大，表明空氣質量越差，對人的健康危害越大。在樣本的選擇上從國家整體視角出發，首次使用我國288個地級以上城市作為研究對象，收集各個城市2015年1月—2017年2月的空氣質量AQI月均數據，運用GIS可視化方法和空間自相關指數方法探究霧霾污染空間分布的季節性特征和空間集聚特點，在此基礎上構建空間計量模型進一步深入研究影響我國霧霾污染的社會經濟根源，從而為提高區域聯防聯控有效性和治霾政策的合理制定提供科學的決策依據。endprint

2 研究方法與數據來源

2.1 研究方法

為對霧霾污染的空間集聚特征進行全面分析，本文采用ESDA中的全局和局部空間自相關指數進行實證檢驗。在此基礎上，通過構建空間計量回歸模型進一步研究影響霧霾污染的社會經濟因素。

2.1.1 全局自相關

全局空間自相關用于驗證整個研究區域的空間模式，描繪了相關變量在區域整體范圍內的空間依賴程度。常用全局 Morans I 指數進行研究。其表達式為：

其中，Wij為空間權重矩陣元素。Yi，Yj分別表示i、j區域的觀測值，n為研究區域中的城市個數。 Morans I 的取值范圍為[-1，1]，當I接近1時，表示地區間要素呈現空間正相關，接近-1時表示呈現空間負相關，接近0時表示地區間不存在空間相關性，相互獨立[16]。Morans I絕對值越大表明空間相關程度越高。 Moran散點圖能夠直觀描述局域的空間集聚特征。

2.1.2 局部自相關

局部空間自相關則反映一個區域單元上與鄰近單元上同一研究現象的相關程度，即表示了霧霾污染相互集聚的傾向，本文采用Local Morans I指數和LISA圖來分析。其中Local Morans I 指數表示如下：

若局部空間自相關顯著，則可根據該單元自身及其臨近單元的具體情況，將這一相關關系分為四種類型：“高—高相關”（ HighHigh） ，即高值地區同樣被高值地區圍繞；“低—低相關”（ LowLow） ，即低值地區周圍仍是低值地區；“高—低相關”（ HighLow） ，即高值地區被低值地區圍繞；“低—高相關”（ LowHigh） ，即低值地區被高值地區圍繞[8]。

2.1.3 空間計量模型

在研究變量間的影響關系時，鑒于變量觀測值具有空間依賴性，因此違背了經典最小二乘法的前提條件，所以通常需要建立空間計量回歸模型對數據進行處理。對于截面數據的處理，目前最常用的空間計量模型有兩種，分別為空間誤差模型（Spatial Error Model，SEM）和空間滯后模型（Spatial Lag Model，SLM）。

（1）空間誤差模型（Spatial Error Model，SEM），側重于考察因遺漏變量所造成的空間依賴性，即誤差項中包含有致使自變量出現空間相關的因素，因此空間誤差模型包含了誤差項的滯后項。表達如下：

y=Xβ+ε（3）

ε=λWε+μ（4）

其中X為解釋變量矩陣，Wε表示空間滯后項，λ為誤差項的空間自回歸系數，系數顯著則表明誤差項之間存在空間自相關。μ為服從正太分布的隨機誤差項[8]。

（2）空間滯后模型（Spatial Lag Model，SLM），側重于考察因變量的空間溢出效應，因此模型中包含因變量的空間滯后項。表達如下：

y=ρWy+Xβ+ε（5）

其中W為空間權重矩陣，Wy表示因變量的空間滯后項，ρ表示相鄰地區因變量的觀測值對本地區因變量觀測值的影響程度，若顯著，則說明空間相關性顯著。X為解釋變量矩陣，β表示解釋變量的回歸系數，ε為隨機誤差項[8]。

2.2 數據來源

根據《中國城市統計年鑒2016》對城市行政級別的劃分，選取我國共288個地級以上城市2015年1月至2017年2月的月均空氣質量指數（AQI）數據進行研究。本文所收集的空氣質量數據（AQI）均來源于國家環境保護部數據中心和天氣后報網站。該網站自2013年10月以來，收錄了全國城市的空氣質量數據，并根據不同監測站點的日觀測數據進行逐日逐月整合，全面詳實。鑒于霧霾污染的季節性變化特征明顯，按照冬季（12月—次年2月）、春季（3月—5月）、夏季（6月—8月）、秋季（9月—11月）將各月數據平均作為該季節的平均空氣質量指數。

此外，本文還將通過空間計量回歸模型進一步探究影響我國城市霧霾污染的社會經濟因素。在借鑒前人研究的基礎上，本文將從經濟增長、人口密度、產業結構、汽車保有量和綠化水平五個方面選取影響因素作為解釋變量。基于數據的可得性原則，具體選取指標如下：①考慮到不同城市的人口規模、城市區劃面積以及產業結構的不同，選擇一個地區GDP的絕對指標不具有科學上的可比性，因此本文選用人均GDP來代表一個地區的經濟發展水平；②理論上人口密度較高的地區通常會帶來較大的環境壓力，加劇霧霾污染的程度，因此預期為正向影響；③近年來我國工業化快速發展，工業部門的能耗強度和規模遠超于其他部門，不可否認來自第二產業的化石燃料燃燒、工業煙塵的排放和建筑揚塵是造成霧霾污染的重要因素[17]，因此選擇第二產業比重代表產業結構的影響，預期為正向影響；④已有學者研究認為汽車尾氣中的CO、SO2和NOx等污染物是霧霾污染的重要來源之一[18]，因此考慮到數據的可得性，選取民用汽車保有量指標，預期為正向影響；⑤考慮到森林資源對于除塵和空氣凈化具有正外部性，選擇建成區綠化覆蓋率來代表城市的綠化水平，預期為負向影響。

以上變量數據主要來自《中國城市統計年鑒2016》以及各個地級市的國民經濟和社會發展公報，部分數據缺失的城市用2014年的相應數據代替。鑒于社會經濟發展對環境的影響有一定的滯后性，因此選用之前年份的數據進行代替并不影響計量結果的客觀性和真實性。

3 我國霧霾污染的時空分布特征

3.1 霧霾污染空間分布的季節變化特征

鑒于已有研究顯示我國霧霾污染的季節性分布特征明顯，本文采用全國288個地級以上城市2016年3月—2017年2月的月均空氣質量指數（AQI）數據，按照季節劃分，用Arcgis軟件繪制2016年不同季節霧霾的空間分布圖。結果如圖1所示。

由圖1可知，我國霧霾污染的季節性變化特征明顯，春季和夏季整體空氣質量較好，其中夏季基本不存在霧霾污染，空氣質量指數AQI范圍為22—100；秋季京津冀地區及太原、濟南、鄭州和西安等省會城市開始出現輕度污染，其余地區空氣質量較好；冬季空氣質量狀況最差，霧霾涉及范圍不斷擴大，涵蓋北京、天津、河北、河南、山東、山西、陜西、湖北、安徽、四川、新疆等15個省、市、自治區，近三分之一的國土面積遭受霧霾天氣侵害。從污染程度來看，重污染區域主要集中在河北南部、河南北部、山西南部以及陜西關中地區。其中污染最嚴重的是石家莊市、邯鄲市、邢臺市、保定市、安陽市、臨汾市、安陽市、西安市、咸陽市和烏魯木齊市，季均空氣質量AQI指數均達到200以上為重度污染，若長期處于重度污染的大氣環境中，將對人體造成極大的危害。endprint

3.2 霧霾污染的空間相關性檢驗

通過對霧霾污染空間分布現狀的可視化描述可知，現階段我國霧霾污染季節變化顯著，空間分布的區域性特征明顯。本文利用GeoDa1.6.2軟件對我國2016年冬季霧霾污染空間分布的集聚特征進行空間自相關檢驗。通過構建空間距離權重矩陣，得到2016年冬季AQI的Morans I估計值為0.493 3，經檢驗，P值為0.001，通過顯著性檢驗，表明2016年冬季霧霾污染呈現顯著的正向空間相關性，而且對比Moran散點圖也可看出（如圖2），樣本城市集中分布在第一、三象限，即霧霾污染的空間分布呈現高—高（HH）集聚和低—低（LL）集聚并存的模式。

2016年冬季AQI的LISA圖顯示出不同地區霧霾污染空間集聚的傾向性（如圖2）。從圖中可看出，我國東南沿海地區（含珠三角城市群）呈現顯著的低—低集聚特征，而西部的川渝地區出現了高—低集聚趨勢，主要是由于川渝城市群的高污染導致。目前，霧霾污染高—高集聚的地區主要分布在河北、山東、山西、河南、陜西、湖北、安徽和江蘇等地（包含京津冀和長三角城市群）。這8個省份均是我國人口大省，人口密度大，工業化水平和城鎮化水平較高，是我國主要的高新技術產業和重工業基地，其中還包含京津冀和長三角兩大重點扶持發展的城市群。此外，冬季這些地區降雨量少，不利于污染物擴散，加之北方供暖導致污染物加劇，霧霾污染極易在這些地區爆發。

4 影響我國霧霾污染的社會經濟因素分析

基于上述分析可知，我國霧霾污染季節變化特征明顯，波及范圍廣且重污染區域集中。事實上，造成霧霾天氣頻發的原因除了地理位置、氣候條件以及氣象因素等自然環境影響外，更重要的是源于城市自身高投入、高污染、高能耗的粗放型發展方式帶來的能源利用效率低下和環境治理低效等諸多發展問題。只有進一步深入分析影響霧霾污染的社會經濟因素才能抓住治理霧霾的關鍵問題。由于我國目前公開的社會經濟指標統計數據均為年度數據，考慮到數據可行性原則，本文選擇空氣質量AQI的年均數據作為霧霾污染的代理變量進行研究。由于影響霧霾污染的社會經濟因素眾多而復雜，且污染存在著顯著的空間相關性，經典最小二乘法失效。因此，為準確識別影響霧霾污染的社會經濟因素，本文將引入空間計量模型進行深入分析。

在進行模型參數估計前，首先結合STIRPAT 模型和 EKC 假說選取影響霧霾污染的社會經濟因素構建回歸方程。基于IPAT模型衍生的STIRPAT 模型目前被廣泛應用于能源與環境經濟領域分析人文因素對環境的非等比例影響。相比于IPAT模型，STIRPAT 模型的優勢在于不僅能夠對系數進行參數估計，同時研究者可根據具體研究內容對各影響因素進行適當分解和改進[19]。STIRPAT 模型的表達式為I=aPbAcTde其中I、P、A、T分別表示環境影響、人口規模、人均財富和技術水平，e為誤差項。對兩邊取自然對數后變形為：

具體到本文的情況，結合EKC假說選取影響霧霾污染的社會經濟因素，本文引入產業結構、民用汽車保有量和綠化水平等變量對STIRPAT模型進行擴展，構建如下模型：

其中，被解釋變量為2015年全國各地級以上城市的年均AQI指數。解釋變量分別為density（人口密度）表示人口集聚程度、gdp（人均GDP）表示經濟發展水平、gdp2（人均GDP平方）、sec-gdp（二產占GDP的比重）表示產業結構、car（民用汽車保有量）、green（建成區綠化覆蓋率）表示綠化水平。這里引入人均GDP的平方，是為了實證檢驗“環境庫茲涅茨曲線”假說，此外在模型中加入city虛擬變量（表示是否為省會城市（包括直轄市），是則為1，否則為0），是為了檢驗人口、資源高度集中的省會城市是否霧霾污染程度更高。

根據Anselin對空間計量模型選擇的判別方法，即在經典OLS回歸及相關檢驗的基礎上，通過LM統計量的顯著性來判斷采用空間誤差模型還是空間滯后模型。即當兩種模型的LM 統計量具有相同的顯著水平時，則由穩健（robust） 的 LM 統計量的顯著性來確定模型的設定形式[20]。進行參數估計時，需要構造空間權重矩陣，由于本文的研究對象是地級以上城市，部分城市之間不相鄰，存在孤島城市。因此，按照rook （即空間矩陣賦值方式為具有公共邊界的兩區域的虛擬變量為1，否則為0）和 queen （即空間矩陣賦值方式為具有公共邊界或節點的兩區域的虛擬變量為1，否則為0）臨近原則構建空間權重矩陣不適宜，同樣也不適用knearest neighbors（每個要素的相鄰要素數正好等于K這個指定數目）方法，所以本文利用GeoDa1.6.2軟件根據各城市質心坐標自動生成的最小門檻距離來確定臨近關系，構造空間距離權重矩陣對模型（7）進行空間計量估計，結果如表1所示。模型（7）的Morans I 指數值為0.624，P值為0.000，通過了顯著性檢驗，即經典 OLS 回歸誤差具有顯著的空間相關性，應選用空間計量模型進行參數估計。從兩種競爭性空間計量模型的LM值來看，空間誤差模型的LM（error）檢驗值和空間滯后模型的LM（lag）檢驗值均十分顯著。因此，分別使用SEM和SLM對模型（7）進行參數估計。比較SLM和SEM的回歸結果可知，盡管SEM的AIC值和SC值均小于SLM，但從空間相關性檢驗BP test和Likelihood Ratio Test結果來看，SLM的各項檢驗結果均顯著優于SEM，所以綜合判斷SLM模型更適宜。本文接下來僅分析和討論基于（7）式的空間滯后模型（SLM）的估計結果。

通過空間滯后模型的回歸結果可看出，多個變量均對AQI有顯著影響：

從空間維度上看，空間滯后系數ρ在1%的水平上顯著為正，說明鄰近地區的AQI值對本地區的AQI值有顯著正向影響，再一次驗證了中國城市間霧霾污染存在明顯的空間集聚特征。本地區的霧霾污染程度與鄰近地區的霧霾污染水平密切相關，表現出“一榮俱榮，一損俱損”的特征[17]。由表1可知，當鄰近地區的AQI值每增加1%，本地區的AQI值增加0.376%，表明采用“獨善其身”的方式治霾，并不能有效解決區域間的霧霾污染問題，必須由局部治理轉變為區域聯防聯控。endprint

從經濟增長來看，人均GDP的一次項系數為正，二次項系數為負，且均在5%的水平下顯著，在一定程度上支持了“環境庫茲涅茨曲線”的假說，與預期相符。即在拐點出現之前，城市經濟發展前期更多以消耗資源、擴大生產和滿足人們的物質需求為目的，環境保護被忽視，當經濟發展到一定程度后，人們生活水平得到普遍提高，環保的重要性開始凸顯，則開始倒逼經濟發展方式轉變和經濟結構優化調整。

從人口集聚程度來看，與馬麗梅[16]的研究結果一致，人口密度對AQI值的影響并不顯著，與預期不符，即說明人口密度不是決定AQI大小的關鍵因素。低的人口密度不一定意味著低的AQI值，如烏魯木齊、咸陽、蘭州、三門峽等城市，人口密度相對較低，AQI值卻較高；同樣，人口密度高不一定AQI高，如汕頭、上海、深圳、廈門、廣州等人口密度高的城市，AQI值卻較低。

從產業結構來看，二產占GDP的比重在1%的水平下顯著為正，與預期相符。盡管不同質的城市間區位條件和經濟發展水平各不相同，但該指標顯著地表現出對霧霾污染的正向促進作用。第二產業產值主要包含工業和建筑業，而工業消耗的煤炭、石油、有色金屬等原料，建筑業產生的大量揚塵均是造成霧霾污染的主要原因。說明以粗放式的工業化發展模式和以工業（尤其是重工業）為主的產業結構是加劇霧霾污染的關鍵經濟因素，加快產業結構的轉型和升級刻不容緩。

從民用汽車保有量來看，民用汽車數量對AQI值有顯著的正向促進影響，與預期相符。即機動車尾氣污染產生的一氧化碳CO、氮氧化物NOX和可揮發性有機物是構成AQI污染的重要組成部分。

從綠化水平來看，建成區綠化覆蓋率對AQI值的影響并不顯著，與預期不符。可見綠地在城市內發揮的空氣凈化作用較為微弱，這與當前人均綠地面積不達標，城市綠地管理和維護不到位等問題息息相關[21]。

從城市的行政等級來看，省會城市對霧霾污染有顯著的正向促進作用。根據弗里德曼的核心-邊緣理論可知，核心城市必然具有工業發達，技術水平較高，資本集中，人口密集，經濟增長速度快等特征，才能夠產生和吸引大量革新，從而帶動和影響邊緣城市或地區的發展。因此省會城市作為一個省份經濟發展的核心，勢必會集中人力、物力和財力進行大量投資和建設，隨之相伴則是嚴重的交通壓力、能耗壓力、住房壓力和對公共基礎設施的需求，污染的負外部性累計爆發使得省會城市成為污染重災區。

5 結論與啟示

如何有效緩解和改善霧霾污染問題是目前困擾我國經濟發展的重大民生問題和環境問題，引起了政府的高度重視和社會公眾的廣泛關注。本文基于全國288個地級以上城市的空氣質量數據對我國霧霾污染的時空分布特征進行了分析，并進一步對影響霧霾污染空間分布的社會經濟因素進行了經驗識別，結論如下：①霧霾污染的季節性特征明顯，夏季空氣質量狀況最好，基本不存在污染，冬季霧霾污染嚴重，污染范圍廣，波及15個省、市、自治區，其中河北南部、河南北部、山西南部和陜西關中地區是污染重災區；②霧霾污染存在顯著的空間正相關性，其中東部沿海地區為低低集聚，華北平原及周邊地區呈現顯著的高高集聚特征；③空間回歸結果顯示，城市間霧霾污染存在顯著的空間外溢性，以工業為主的產業結構、民用汽車保有量的增多、省會城市均對霧霾污染有顯著的正向促進作用，且污染與經濟增長的關系在一定程度上與EKC曲線假說相符，但人口密度和綠化水平對霧霾污染的影響并不顯著。

根據上述結論，改善我國城市空氣質量狀況要走城市內部治理和外部聯合兩步路。

從城市內部治理的角度出發：①加快城市自身產業結構升級，深入落實供給側改革，淘汰落后產能，并制定實施有效的綠色產業扶持政策，促進產業結構的“綠色”轉型升級。②控制城市內部汽車數量增長速度，除了限購和限行等強制管制措施外，大力推廣新能源汽車，普及汽車生產廠商在非清潔能源汽車的尾氣排放口安裝尾氣凈化裝置，減少汽車尾氣排放。同時，積極探索和引導共享單車等更環保便捷的出行方式。③緩解省會城市的霧霾污染程度，通過疏散城市職能來分流由于資源高度集中的優勢帶來的人口壓力、交通壓力、住房壓力和環境壓力，從而降低與相鄰城市間的交互污染。

從城市外部聯合的角度出發：霧霾污染作為環境污染的負外部性問題，由于相鄰地區間存在不同程度的污染轉移，極易形成區域型污染，因此在污染治理過程出現類似“公地悲劇”的困境，獨善其身并不能達到有效治污的目的，反而會導致污染長期反復，甚至陷入顧此失彼的窘境。因此，要高度重視地區間污染治理協同防治的作用，特別是在極端重污染天氣下，應根據不同城市的資源稟賦和發展水平不同對排污總量進行分配和協調，達到有效控制和緩解污染持續蔓延的目的。

參考文獻（References）

[1]管杰， 張紀東. 中國環境污染與經濟增長：基于空間動態面板數據模型的實證分析[J]. 地理科學，2010（6）： 818-825. [GUAN Jie， ZHANG Jidong. Environmental pollution and economic growth in China： a dynamic spatial panel data model[J]. Scientia geographica sinica， 2010（6）： 818-825.]

[2]YANG K L. Spatial and seasonal variation of PM10 mass concentrations in Taiwan[J]. Atmospheric environment， 2002， 36（21）： 3403-3411.

[3]BIN P， HUDDA N， CHEUNG K L， et al. Spatial and temporal variability of coarse （PM10，PM 2.5） particulate matter concentrations in the Los Angeles Area[J]. Aerosol science and technology， 2010， 44（7）： 514-525.endprint

[4]ANTTIL A P， SALMI T. Characterizing temporal and spatial patterns of urban PM10 using six years of Finnish monitoring data[J]. Boreal environment research， 2006， 11（6）： 463-479.

[5]朱振亞， 饒良懿， 余新曉， 等. 西安市區空氣污染指數時空分布特征[J]. 中國水土保持科學， 2014（3）： 9-16. [ZHU Zhenya， RAO Liangyi， YU Xinxiao， et al. Temporal and spatial distribution characteristics of air pollution index in Xian， China[J]. Science of soil and water conservation， 2014（3）： 9-16.]

[6]賈夢唯， 趙天良， 張祥志， 等. 南京主要霧霾污染物季節變化及相關氣象分析[J]. 中國環境科學， 2016（9）： 2567-2577. [JIA Mengwei， ZHAO Tianliang， ZHANG Xiangzhi， et al. Seasonal variations in major air pollutants in Nanjing and their meteorological correlation analyses[J]. China environmental science， 2016（9）： 2567-2577.]

[7]張桂芹， 劉澤常， 杜世勇. 濟南市環境空氣細粒子PM2.5污染特征及影響因素[J]. 環境科學與技術， 2010（S2）： 520-522，550. [ZHANG Guiqin， LIU Zechang， DU Shiyong. Pollution characteristics of fine particles PM2.5 and influence factors in Jinan City[J]. Environmental science & technology， 2010（S2）： 520-522，550.]

[8]楊冕， 王銀. 長江經濟帶PM2.5時空特征及影響因素研究[J]. 中國人口·資源與環境， 2017（1）： 91-100. [YANG Mian， WANG Yin. Spatialtemporal characteristics of PM2.5 and its influencing factors in the Yangtze River Economic Belt[J]. China population， resources and environment， 2017（1）： 91-100.]

[9]昌晶亮， 余洪， 羅偉偉. 珠三角地區PM2.5濃度空間自相關分析[J]. 生態與農村環境學報， 2015（6）： 853-858. [CHANG Jingliang， YU Hong， LUO Weiwei. Spatial autocorrelation analysis of PM2.5 concentration in the Pearl River Delta[J]. Journal of ecology and rural environment， 2015（6）： 853-858.]

[10]程進. 長三角城市群霧霾污染格局的時空演變特征[J]. 城市問題， 2016（1）： 23-27. [CHENG Jin. Spatial and temporal characteristics of air pollution pattern of urban agglomeration in the Yangtze River Delta[J]. Urban problems， 2016（1）： 23-27.]

[11]白永亮， 郭珊， 孫涵. 霧霾污染的空間關聯與區域間防控協作——基于全國288個地市工業SO2污染數據的空間統計分析[J]. 中國地質大學學報（社會科學版）， 2016（3）： 63-72，171. [BAI Yongliang， GUO Shan， SUN Han. Spatial correlation of air pollution and control cooperation among different regions：a spatial correlation analysis of industrial SO2 pollution based on 288 nationwide municipal data[J]. Journal of China University of Geosciences（social sciences edition）， 2016（3）： 63-72，171.]

[12]劉華軍， 杜廣杰. 中國城市霧霾污染的空間格局與分布動態演進——基于161個城市AQI及6種分項污染物的實證[J]. 經濟地理， 2016（10）： 33-38. [LIU Huajun， DU Guangjie. Spatial pattern and distributional dynamics of urban air pollution in China：an empirical study based on AQI and six subpollutants of 161 cities[J].Economic geography， 2016（10）： 33-38.]endprint

[13]孫曉雨， 劉金平， 楊賀. 中國城市霧霾污染區域影響空間溢出效應研究[J]. 統計與信息論壇， 2015（5）： 87-92. [SUN Xiaoyu， LIU Jinping， YANG He. Study on spatial spillover effect of regional impact of atmosphere pollution in Chinese Urban[J]. Statistics & information forum， 2015（5）： 87-92.]

[14]李名升， 張建輝， 張殷俊， 等. 近10年中國大氣PM10污染時空格局演變[J]. 地理學報， 2014， 68（11）： 1504-1512. [LI Mingsheng， ZHANG Jianhui， ZHANG Yinjun， et al. Spatiotemporal pattern changes of ambient air PM10 pollution in China from 2002 to 2012[J]. Acta geographica sinica， 2014， 68（11）：1504-1512.]

[15]張凌， 付朝陽， 鄭習健， 等. 廣州市區霧霾污染特征與影響因子分析[J]. 生態環境， 2007（2）： 305-308. [ZHANG Ling， FU Chaoyang， ZHENG Xijian， et al. Study on air pollution feature and its effect in Guangzhou City[J]. Ecology and environmental sciences， 2007（2）： 305-308.]

[16]馬麗梅， 張曉. 區域霧霾污染空間效應及產業結構影響[J]. 中國人口·資源與環境， 2014（7）： 157-164. [MA Limei， ZHANG Xiao. Spatial effects of regional air pollution and the impact of industrial structure[J]. China population， resources and environment， 2014（7）： 157-164.]

[17]邵帥， 李欣， 曹建華， 等. 中國霧霾污染治理的經濟政策選擇——基于空間溢出效應的視角[J]. 經濟研究， 2016（9）：73-88. [SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinas economic policy choices for governing smog pollution based on spatial spillover effects[J]. Economic research journal， 2016（9）： 73-88.]

[18]李勇， 李振宇， 江玉林， 等. 借鑒國際經驗探討城市交通治污減霾策略[J]. 環境保護， 2014（Z1）： 75-77. [LI Yong， LI Zhenyu， JIANG Yulin， et al. Using international experience to explore the strategy of smog pollution reduction by controlling the urban traffic[J]. Environmental protection， 2014（Z1）： 75-77.]

[19]SHAO Shuai， YANG Lili， YU Mingbo， et al. Estimation，characteristics and determinants of energyrelated industrial CO2 emissions in Shanghai （China）， 1994-2009[J]. Energy policy， 2011， 39（10）： 6476-6494.

[20]LESAGE J P， PACE R K. Introduction to spatial econometrics[R].Boca Raton： CRC Press，2009.

[21]張利華， 鄒波， 黃寶榮. 城市綠地生態功能綜合評價體系研究的新視角[J]. 中國人口·資源與環境， 2012， 22（4）： 67-71. [ZHANG Lihua， ZOU Bo， HUANG Baorong. New perspective of comprehensive evaluation research on urban green space ecosystem[J]. China population， resources and environment， 2012， 22（4）： 67-71.]endprint